一种基于模糊融合的遥感图像目标识别方法

数据融合利用多传感器的信息,克服了单一传感器信息不完整、不精确、不确定的缺点,因此广泛应用于目标识别中,该文提出了一种基于模糊融合的遥感图像目标识别的新方法。首先在单源图像上提取可疑目标,然后根据目标在不同类型图像上的成像特点,选择合适的目标特征,充分考虑到各特征的重要程度,把模糊隶属度函数和模糊密度结合起来,最后利用特征层模糊融合对目标的身份进行判定。此方法应用在实际目标的识别中,取得了很好的效果。     

一种基于模糊密度动态调节的融合目标识别方法

针对工程应用的需要,给出一种根据实时动态数据确定模糊密度调节系数的方法,并建立了基于模糊密度动态调节的融合目标识别算法.最后通过仿真实验给出了各种模糊积分用于目标融合识别时的识别结果,验证了所提出方法的有效性.     

利用信息融合技术的缺损目标识别方法

拐点不变量是局部不变量的一种,具有旋转,平移,尺度缩放不变性,可以有效地应用于目标,该文利用Ｄｅｍｐｓｔｅｒ－Ｓｈａｆｅｒ证据推理法,将用不同方法求取拐点特征所得到的决策层信息进行融合,进一步提高了识别系统的可靠性,通过仿真实验对该方法进行了验证。     

基于加权证据理论的模糊信息融合目标识别

在异类多传感器信息融合目标识别中,不同传感器对系统提供的证据等级不同。为此,提出一种模糊信息融合目标识别方法。将各证据按证据权进行转化,用Dempster-Shafer(D-S)证据理论进行合成,利用模糊数学模型对传感器测量值和数据库中的数据进行建模,根据证据距离得到各证据的相互支持度,进而获得传感器对系统提供信息量的权重。分析结果表明,该方法具有较高的精度和可靠性。     

基于模糊特征属性参数最优融合的目标识别

为了实现在不确定环境下的自动目标识别,提高系统的性能和可靠性.首先采用模糊数来刻画传感器的输出报告,将每个传感器报告用三角模糊数来表示;然后提出基于模糊特征属性参数的最优融合算法来实现信息融合,并将其应用到多传感器目标自动识别系统.融合算法以模糊信息相似性测度为基础,最优融合准则是:融合后的数据与各个传感器输入数据冲突应该最小.通过最优准则确定了各个传感器的权重以及融合结果,且融合结果与初始传感器权重向量和传感器报告融合的次序无关.文中给出了具体的算法流程和一个应用实例.     

基于模糊偏序关系评估决策的智能信息融合

针对信息融合系统应综合考虑获取信息所要求的资源、计算复杂度和时间所需要的最小成本的问题,提出了基于模糊偏序关系评估决策的智能信息融合系统,利用模糊偏序关系的排序方法,来对传感器进行评估决策和智能选择,并与证据理论相组合,应用于目标识别,仿真结果表明了该方法的有效性。     

一种基于模糊神经网络的信息融合技术

针对船舶所处的复杂环境,以及现代船舶系统对精度的要求越来越高,提出了一种船舶信息融合结构和一种模糊神经的信息融合方法,该方法结合模糊推理和神经网络并行分布处理和自学习能力,采用三层神经网络结构,映射函数为高斯模糊隶属函数,采用改进的BP学习算法.最后通过船舶信息仿真实验,证明了该方法是可行的和有效的.     

基于模糊卡尔曼滤波的信息融合算法

应用自适应模糊逻辑系统（AFLS）原理,研究了一种基于卡尔曼滤波器的信息融合算法;AFLS通过在线监视融合数据新息是否为零均值白噪音,然后根据模糊规则调整融合滤波器的指数加权值,从而保证了滤波器的最优估计性能;仿真结果证明该方法在高噪声环境中具有良好的信息融合能力,能有效跟踪研究对象的状态变化。     

基于信息融合的娱乐机器人目标识别

运用电、磁、图像等各种信息的融合，提出了一种比较有效地用于娱乐机器人目标识别的方法，进行了仿真并通过了实际运行的检验。     

利用Dempster—Shafer信息融合进行自动目标识别

本文主要对红外图像中铁路的特点,将图像处理技术与人工智能相接合,提出一种基于知识的智能识别方法。采用先建立完善的知识特征集,再以知识特征集为基础,采用Dempster-Sgafer来对特征集进行融合来识别铁路枢纽。其基本思路可用作一般目标识别。     

火灾探测的模糊神经网络数据融合算法

为提高火灾报警系统的正确率,提出一种多传感器火灾探测系统的数据融合算法.采用模糊神经网络建立了数据融合决策模型,并用改进的BP算法对网络进行学习和训练,自动调整模糊系统参数.根据国家标准试验火数据进行网络训练,系统误差小于试验火标准误差要求,表明了算法的有效性和可行性.与其他方法探测结果进行比较,体现了所设计的算法的优越性.     

基于信息熵的空间对象群聚类算法

针对利用空间关系建立空间对象群聚类的问题,提出一种基于信息熵的空间对象群聚类算法ESOGC。该算法考虑空间数据的复杂性和数据之间的联系,根据邻域范围内信息熵的变化情况,捡起或放下当前空间对象群,从而实现对空间对象群的聚类。实验结果表明,该算法能解决空间对象群中对象类型、对象属性值和对象数量不一致性的问题。     

目标识别中多传感器信息融合算法比较

近年来多传感器信息融合技术在目标识别领域得到了大量研究和快速发展. 介绍了多传感器信息融合目标识别的基本原理及其系统结构, 重点阐述了目标识别中的多传感器信息融合算法, 并对识别效果进行比较, 最后指出了该领域今后的发展趋势.     

基于模糊推理信息融合的Ad Hoc入侵检测

在分析入侵检测系统和模糊技术的基础上,研究一种基于模糊推理信息融合的Ad Hoc入侵检测系统模型,将模糊系统较高的准确性、明确的针对性、较好的适应性运用于入侵检测系统,克服目前入侵检测系统存在的效率低、灵活性和升级能力有限等缺陷,提高整个系统的安全性和可用性。该文在分析模糊入侵检测系统的基础上对不同簇首信息进行融合,通过模糊技术作出最终的决策,通过融合中心进行入侵状态估计、态势估计、威胁估计。     

基于模糊评判的决策级信息融合算法的研究

文章针对水电故障诊断系统中普遍采用的传感器阀值判断方法引起的信息损失问题,将决策级信息融合技术应用于故障诊断系统中。在模糊综合评判技术和软判决融合结构下,提出了一种新的决策级信息融合算法。该算法以合成运算和全局决策融合来自多传感器的局部判决以获取所处理对象的综合决策分析,并通过在丰满水电仿真系统的故障诊断系统中的实际应用表明该算法优于传统的故障检测方法。     

基于信息融合的车辆运行异常程度检测

研究使用GA-FNN算法实时提取车辆监控中运行异常的问题. 利用遗传算法对全局信息的搜索特性, 筛选出有效的传感器信息作为模糊神经网络的输入, 通过模糊神经网络训练出模糊矩阵, 实时检测车辆运行的异常程度. 仿真结果显示GA-FNN算法在车辆实时监控系统中, 可以快速的检测出车辆的异常程度.     

A Prioritized Information Fusion Method for Handling Fuzzy Decision-Making Problems

Although Yager has presented a prioritized operator for fuzzy subsets, called the non-monotonic operator, it can not be used to deal with multi-criteria fuzzy decision-making problems when generalized fuzzy numbers are used to represent the evaluating values of criteria. In this paper, we present a prioritized information fusion algorithm based on the similarity measure of generalized fuzzy numbers. The proposed prioritized information fusion algorithm has the following advantages: (1) It can handle prioritized multi-criteria fuzzy decision-making problems in a more flexible manner due to the fact that it allows the evaluating values of criteria to be represented by generalized fuzzy numbers or crisp values between zero and one, and (2) it can deal with prioritized information filtering problems based on generalized fuzzy numbers.     

基于交互关系分组建模融合的组群行为识别算法

组群成员间的交互关系建模是组群行为识别的核心技术。本文为解决复杂场景下组群关系繁琐、关系推理时复杂度高并存在信息冗余等问题,提出一种交互关系分组推理的模型。首先,利用CNN网络和RoIAlign提取视频帧中的场景信息和个人信息作为初始特征,利用个人空间坐标对人群进行二分组（例如：在Volleyball数据集中,利用参与者的bounding boxes的X坐标信息进行排序,然后为每个人建立序号ID,并从左到右将12名成员分为2组）;其次,将划分后的2个局部分组以及全局场景组群,分别利用图卷积网络（Graph Convolutional Network, GCN）进行组交互关系推理,并确定各自组内的关键人物;然后,以全局关系特征作为真实值,将二分组的局部关系特征合并作为预测值,构建两者之间的交叉熵损失函数反馈优化上一级分组交互关系GCN网络,旨在确保2个分组的关键人物与全局关键人物匹配成功。再以全局交互关系中的关键人物信息为指导,分别与2个分组的关键人物进行匹配,将匹配成功后2个小组中的关键人物作为目标节点,建立组间关系图,并经GCN推理得到组间的关系特征;最后,初始特征分别与组间和全局交互关系特征融合得到2个群组行为支路,经过决策融合得到最终的识别结果。实验表明,在Volleyball数据集和NBA数据集上分别取得93.1%和48.1%的准确率。